3D激光雷达位置识别旨在基于旋转3D激光雷达传感器的单次扫描，在先前已知的环境中进行粗略定位。现有的解决方案包括手工设计的点云描述符（例如ScanContext、M2DP、LiDAR IRIS）和基于深度学习的方法（例如PointNetVLAD、PCAN、LPDNet、DAGC、MinkLoc3D），这些方法通常仅在牛津机器人汽车数据集的累积2D扫描上进行评估。我们引入了MinkLoc3D-SI，这是一种基于稀疏卷积的解决方案，利用3D点的球面坐标并处理3D激光雷达测量的强度信息，从而在使用单次3D激光雷达扫描时提高了性能。我们的方法结合了手工设计描述符（如ScanContext）中常见的改进措施与最高效的3D稀疏卷积（MinkLoc3D）。实验结果表明，MinkLoc3D-SI在单次3D激光雷达扫描（悉尼大学校园数据集）上的表现有所提升，并且具有很强的泛化能力（KITTI数据集）。即使球面表示未能显著提高性能，但在累积2D扫描上使用强度信息（机器人汽车强度数据集）仍能改善性能。因此，MinkLoc3D-SI适用于从3D激光雷达获取的单次扫描，使其在自动驾驶车辆中具有应用潜力。